基于改进实例分割算法的区域养殖生猪计数系统

[目的/意义]针对现有规模化猪场生猪计数需求场景多,人工计数效率低、成本高等问题,提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。[方法]首先,利用智能手机拍摄养殖场猪只视频,对视频抽帧进一步生成图像数据集。其次,通过改进卷积块注意力模块(Convolutional Block Attention Module, CBAM)中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题,提出高效全局注意力模块,并将该模块引入基于回归分析的单阶段实例分割网络YOLO (You Only Look Once) v8中对获取的生猪图像进行分割,构建新的识别模型YOLOv8x-Ours,以实现高精度的生猪计数。最后,基于微信公众平台开发微信小程序,并嵌入综合表现最优的生猪计数模型,实现使用智能手机拍摄图像进行生猪快速计数。[结果和讨论]在测试集上的试验结果表明,与现有实例分割模型相比,引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精度(AP_((50∶95))),平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)和R^(2)分别为1.727、2.168和0.949,表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试图像总数量的93.8%,相比两阶段实例分割算法Mask R-CNN (Region Convolutional Neural Network)提升7.6%;单幅图像平均处理时间仅为64 ms,是Mask R-CNN的1/8。[结论]该方法经济高效,为规模化猪场的生猪计数提供了一种技术方案。